Дубликат ПТС – законная замена оригинального паспорта технического средства, которая может понадобиться лишь при продаже автомобиля. Однако многие при покупке автомобиля, стараются не связываться с продавцом, предлагающим не оригинальный паспорт транспортного средства.
Паспорт транспортного средства (ПТС) – важный документ, в котором отражены все необходимые сведения об автомобиле, его владельцах, сведения о постановке на учет. Без ПТС невозможно провести с автомобилем никакие регистрационные действия. Дубликат паспорта автомобиля - это бланк с уникальным номером и продублированной информацией с оригинального ПТС. Юридически правильно оформленный дубликат ПТС имеет ту же законную силу, как и оригинал.
Важно! С 1 ноября 2020 года на новые автомобили и автомобили, ввозимые из-за рубежа, будут оформляться электронные ПТС в соответствии с ч. 3 статьи 14 N 283-ФЗ от 3 августа 2018 г «О государственной регистрации транспортных средств».
Дубликат ПТС выполняет те же функции что и оригинальный техпаспорт. То есть по российскому законодательству без паспорта технического средства невозможно провести операции по купли-продажи автомобиля, постановки транспорта на учет в ГИБДД.
Причин, замены оригинального документа дубликатом, может быть две:
Обе причины должны указываться в графе «особые отметки».
Процесс получения дубликата ПТС состоит из следующего алгоритма действий:
После оформления уточнить, когда будет готов документ и где можно будет его получить.
Стоимость автомобиля в основном зависит от его истории. Нужно быть вдвойне осторожными, если при покупке транспортного средства, на руках владельца дубликат ПТС. Покупка автомобиля с не оригинальным техпаспортом включает следующие риски:
Прежде чем оформить договор купли-продажи необходимо проверить информацию об автомобиле. О количестве всех владельцев можно узнать в ГИБДД. Узнать, находится ли транспортное средство в залоге, можно на портале нотариальной палаты.
Дубликат ПТС изготовляется на такой же бумаге, как и оригинал, с водяными знаками, информацией о владельцах и технических характеристиках транспорта. Главное отличие дубликата от оригинала – пометка «дубликат» на лицевой части документа и причина замены. Кроме того, на оригинале ставится печать изготовителя, а дубликат украшен печатью органа выдавшего документ – ГИБДД.
ПТС – история автомобиля, достоверность которой не позволит купить кота в мешке. Поэтому приобретая автомобиль с дубликатом технического паспорта нельзя терять бдительность, нужно перепроверить информацию на достоверность.
14.12.2020
Покупая машину с рук, вместо оригинала паспорта транспортного средства вы получаете от продавца дубликат. Какие неприятности могут ожидать покупателя в этом случае?
ПТС нам нужен пару раз в течение всего срока владения машиной — при покупке и продаже. В остальное время он хранится дома.
ПТС нам нужен пару раз в течение всего срока владения машиной — при покупке и продаже. В остальное время он хранится дома.
Изначально ПТС (паспорт транспортного средства) выдается или изготовителем, если автомобиль произведен на территории России, или таможенными органами, если автомобиль ввезен из-за границы. ПТС, как правило, нужен лишь при покупке или продаже машины. Дальше основным документом для водителя является свидетельство о регистрации (СТС). Именно СТС мы обязаны показывать инспектору ДПС при проверке на дороге.
В ПТС же указывается вся информация об автомобиле (марка, модель, идентификационные номера, мощность и проч.). Помимо этого в документ вносятся данные о собственнике машины. Оформляя сделку, продавец с покупателем фиксируют в ПТС смену собственника, заполняя специальный раздел.
Помимо данных о собственнике в ПТС указывают наличие ограничений по таможенному оформлению. При этом информации о кредитах и залогах в документе попросту нет.
Помимо данных о собственнике в ПТС указывают наличие ограничений по таможенному оформлению. При этом информации о кредитах и залогах в документе попросту нет.
Материалы по теме
Всё про электронный ПТС: чего ждать автовладельцам?
Летом этого года планируется поэтапный переход на электронные паспорта транспортных средств. Постепенно весь документооборот ПТС будет переведен в электронную базу данных. Тогда необходимость в получении или замене печатной версии ПТС отпадет вовсе. Всю информацию можно будет получить в Сети, например на портале госуслуг.
Итак, если вы покупаете автомобиль, а у продавца на руках дубликат ПТС, нужно выяснить причину его замены и внимательно изучить сам документ. Орган, который выдал ПТС, указывается на титульном листе. Если там значится подразделение ГИБДД, значит, это дубликат.
Причина выдачи дубликата указывается в особых отметках. Варианты могут быть разные. Если написано, что выдан взамен утилизированного ПТС, значит, прежний был испорчен или в нем просто закончилось место для указания нового собственника. Последнее означает, что машина часто меняла хозяев. Вероятность каких-либо махинаций в этом случае минимальна.
ГИБДД выдает дубликат ПТС только при утере или утилизации прежнего ПТС.
ГИБДД выдает дубликат ПТС только при утере или утилизации прежнего ПТС.
А вот если причиной выдачи дубликата указана утеря прежнего документа, стоит насторожиться. Тем более когда дата выдачи нового документа совсем свежая. Выбрали вы, к примеру, подходящий автомобиль, продавец уверяет, что он единственный владелец, а ПТС случайно потерял. В реальности же машина принадлежала организации, где автомобиль гоняли в хвост и в гриву. А может и того хуже. Взял человек кредит на машину, а потом ситуация изменилась и платить по счетам стало нечем. При выдаче автокредита ПТС, как правило, передается в банк на хранение до полного погашения долга. Сама машина при этом в залоге, и продать ее без согласия банка нельзя. Тогда автовладелец «теряет» ПТС, о чем и извещает ГИБДД. Те, в свою очередь, не имея возможности проверить информацию по кредиту и залогу, выдают дубликат. При таком раскладе покупатель рискует остаться и без автомобиля, и без денег. Заложенное имущество банк заберет себе, как только перестанут поступать платежи по кредиту. А продавец к тому времени может исчезнуть. Или «вдруг» станет неплатежеспособным и не сможет вернуть вам деньги даже по решению суда.
А может быть и так: покупаете вы автомобиль у посредника. Перекупщики, как правило, на себя машину не переоформляют в ГИБДД. Попадая под прицел камер автоматической фиксации нарушений, штрафы направляются последнему зарегистрированному в базе ГИБДД собственнику.
Тот, если не удается заставить перекупщика внести изменения в документы, дабы не оплачивать штрафы, может подать заявление о прекращении регистрации в связи с утилизацией автомобиля. В этом случае поставить на учет машину не получится. Чтобы не попасть в такую ситуацию, можно воспользоваться порталом ГИБДД и проверить историю регистрации машины.
Выдавая автокредит, банки, как правило, забирают ПТС. Но это не останавливает мошенников. При покупке машины с дубликатом ПТС риск нарваться на кредитный автомобиль слишком велик.
Выдавая автокредит, банки, как правило, забирают ПТС. Но это не останавливает мошенников. При покупке машины с дубликатом ПТС риск нарваться на кредитный автомобиль слишком велик.
Так что, обнаружив дубликат ПТС, следует быть очень внимательным. Если не можете отказаться от покупки, проверьте историю автомобиля более тщательно. Самый простой способ — попросить проверить соответствие информации в ПТС на посту ДПС или в подразделении ГИБДД. Сотрудники ГИБДД, как правило, не отказывают в таких просьбах. А если продавец ни в какую не соглашается на такое предложение, рекомендую отказаться от покупки сразу. Значит, здесь что-то нечисто.
Но и эта проверка не будет полноценной гарантией чистоты автомобиля. Как я уже говорил, сотрудники ДПС не могут выяснить, в кредите автомобиль или нет. Не даст стопроцентной гарантии и проверка через специальный портал Федеральной нотариальной палаты, в котором хранится информация об автомобилях, находящихся в залоге. Банки попросту не всегда передают такую информацию.
При выборе машины нужно использовать все возможные средства для проверки ее юридической чистоты.
При выборе машины нужно использовать все возможные средства для проверки ее юридической чистоты.
Такая же ситуация и с другими интернет-ресурсами. Проанализировав информацию с нескольких ресурсов, а также просмотрев данные по машине через официальный сайт Госавтоинспекции, можно лишь минимизировать риск покупки «кота в мешке».
Чем опасен дубликат ПТС?
Чем опасен дубликат ПТС?
Фото: Артем Геодакян, Денис Абрамов, Александр Чиженок/ТАСС
По словам Натика Амина, эксперта по маркетингу Canz Marketing, дублирование данных в CRM компании происходит по ряду причин: база данных. Например, потребитель указывает свое имя Джонатан Смит в одной форме и Джон Смит в другой. Проблема усугубляется растущей базой данных. Администраторам часто становится все труднее отслеживать БД, а также отслеживать соответствующие данные. Становится все сложнее обеспечить точность БД организации ».
Дублирование данных происходит, когда вы храните информацию об одном и том же объекте несколько раз вместо обновления одной записи. В этом руководстве мы обсудим некоторые основные понятия, связанные с дублированием данных, а также список методов и алгоритмов, которые обычно используются для его устранения.
Данные имеют несколько представлений — это означает, что одни и те же данные могут быть представлены по-разному. Это основная причина, по которой в базе данных существуют повторяющиеся записи. Независимо от того, объединяются ли записи из независимых источников данных или вводятся в единую базу данных с течением времени, в обоих случаях возникает сложная проблема дублирования данных.
В идеале каждая запись в базе данных должна представлять один уникальный объект. Но по ряду причин (наиболее распространенные из них перечислены ниже) мы замечаем, что информация объекта охватывает несколько записей.
Наличие уникальных идентификаторов в базе данных — лучший способ избежать дублирования. Уникальный идентификатор — это поле данных, которое всегда уникально для объекта (например, Номер социального страхования (SSN) для данных клиента, Номер детали производителя (MPN) для данных о продукте и т. д.). При каждой новой записи данных вы можете проверить, существует ли запись с таким же уникальным идентификатором. И если это так, вы можете просто обновить или объединить его и не хранить новую запись для того же объекта. Но если ваша база данных не содержит такого уникального идентификатора, процесс связывания новых входящих сущностей с существующими становится сложной задачей.
Даже при наличии уникальных идентификаторов в вашей базе данных могут остаться дубликаты. Это происходит, когда уникальные идентификаторы не соответствуют допустимым шаблонам (например, AAA-GG-SSSS для SSN ) или не имеют строгих ограничений целостности (например, 11-символьный лимит для SSN ).
Частота ошибок при вводе данных составляет 400 на 10 000 записей, что является значительным числом. Таким образом, даже при наличии уникальных идентификаторов, проверочных проверок и ограничений целостности существует вероятность того, что человеческая ошибка может вмешаться и допустить дублирование в вашей базе данных.
Чтобы избавиться от дубликатов в вашей базе данных, вам нужно сравнить записи и оценить, какие из них принадлежат одному и тому же объекту. Но когда вы сравниваете записи данных (либо в одной базе данных, либо в разных базах данных), вы заметите, что они имеют некоторые систематические различия, которые затрудняют их точное сравнение. Обычно это называется разнородностью данных .
Вообще говоря, разнородные данные можно классифицировать следующим образом:
Этот тип различий возникает, когда поля разных баз данных представляют одну и ту же информацию структурно различным образом. Например, в одной базе данных имя контакта может храниться как Имя контакта , а во второй базе данных оно хранится в нескольких столбцах, таких как Приветствие, Имя , Отчество и Фамилия. Имя.
Различия такого типа возникают, когда поля разных баз данных структурно одинаковы, но представляют одну и ту же информацию синтонно различным образом. Например, две или более баз данных могут иметь одинаковые Адрес , но у одного может быть значение адреса: 32 E St. 4 , а у другого может быть 32 East, 4 th Street .
Simply Pult. Процесс дедупликации включает в себя:
В следующих разделах мы более подробно рассмотрим шаги, упомянутые выше.
Первым шагом в этом процессе является обеспечение единообразия во всех базах данных с точки зрения структуры данных и полей. Этот процесс уменьшает структурную неоднородность в базах данных — по крайней мере, до некоторой степени. Это включает в себя следующие два шага:
Это включает удаление любых ошибок или вариаций в форматах и типах данных значений или в структуре баз данных. Этого можно добиться следующим образом: Например, когда у вас есть весь адрес в одном поле. Анализ поля Адрес даст вам его последующие компоненты данных, такие как Название улицы , Номер улицы , Почтовый индекс , Город , Штат и Страна . Сопоставление этих проанализированных элементов становится намного проще по сравнению со всем полем.
После стандартизации баз данных (насколько это возможно) следующим шагом будет сопоставление полей, представляющих одну и ту же информацию. Это делается либо вручную (например, , адрес , – , адрес , номер телефона, – , номер телефона и т. д.), либо с помощью проверки, чтобы определить, значения каких полей перекрываются с полями другой базы данных. Для небольших наборов данных полезен первый метод, но если у вас есть большие наборы данных, в которых столбцы называются по-разному, последний метод весьма полезен.
После этого данные будут в относительно лучшей форме для сравнения и выявления дубликатов. Но орфографические ошибки, человеческие опечатки и обычные вариации все еще существуют. Вот почему методы точного сопоставления здесь бесполезны, и нам нужны методы, которые учитывают эти аспекты данных при вычислении баллов для оценки сходства между отдельными значениями и, следовательно, всей записью.
Поскольку большинство типографских ошибок возникает в строках, в этом разделе мы рассмотрим наиболее распространенные методы сопоставления строк по сходству.
Этот алгоритм вычисляет расстояние между двумя строками, вычисляемое посимвольно. Расстояние рассчитывается путем подсчета количества правок, необходимых для преобразования первой строки во вторую строку. Затем определяется порог, который классифицирует две строки как совпадения (если Distance < пороговое значение ) или несоответствие (если Distance > пороговое значение ). Для расчета расстояния разрешены три типа редактирования: вставка символа в строку, удаление символа из строки, замена символа другим в строке.
Обычно счетчик одной операции редактирования считается равным «1». Но разные модели предлагают разную стоимость каждой правки. Например, Расстояние Левенштейна считает стоимость каждого редактирования равной 1, а Needleman и Wunsch объяснили, что стоимость каждого редактирования зависит от характера редактирования (замена O на 0 имеет меньшую стоимость, чем замена T на M).
Алгоритм расстояния редактирования плохо работает со строками, содержащими инициалы или краткие формы. Например, расстояние редактирования может классифицировать Дженнифер Лили Стивенс и Джен Л. Стивенс как несоответствие. Здесь может быть полезно расстояние аффинного промежутка, поскольку оно вводит еще две операции редактирования, называемые:
Очевидно, что затраты на открытие разрыва (где его не было) больше, чем на расширение разрыва (где уже был разрыв). Этот вариант расстояния редактирования также позволяет вычислить сходство между укороченными строками.
Это еще один вариант расстояния редактирования и расстояния аффинного промежутка. Эта модель снижает стоимость несоответствий, обнаруженных в начале или конце строк, поскольку префиксы и суффиксы обычно различаются. Например, сопоставление этих двух строк с расстоянием юго-запад имеет больше смысла: Dr. Jennifer Lily Stevens и Jennifer Lily Stevens, доктор в медицинском центре Nat.
Яро представил формулу для сравнения сходства между именами и фамилиями. Алгоритм расчета метрики Джаро выглядит следующим образом:
Меньшее значение Jaro метрика, тем больше похожи две строки.
Этот алгоритм создает N-буквенных подстрок из совпадающих строк и сравнивает подстроки, а не все слова. Возьмем в качестве примера слова Guide и Guode . Для вычисления расстояния между ними в 2 грамма создаются следующие подстроки:
Сходство затем вычисляется путем оценки количества одинаковых подстрок. Это, очевидно, показывает, хотел ли пользователь ввести одно и то же слово и не является ли это просто типографской ошибкой.
Метрики сходства на основе токенов вступают в игру, когда вы хотите сравнить строки, которые переупорядочены по-разному, но означают одно и то же. Например, имена и фамилии обычно меняются местами, например Дженнифер Стивенс то же самое, что Стивенс, Дженнифер . Но сравнение по символам не будет эффективным для таких сценариев. Здесь мы используем метрики сходства на основе токенов.
Наиболее распространенной метрикой сходства на основе токенов являются атомарные строки. В этом алгоритме вся строка разбивается на слова, разделенные знаками препинания, такими как пробел, запятая, точка и т. д. И затем слова сравниваются друг с другом, а не со всей строкой.
Алгоритм атомарных строк не присваивает веса словам во время сравнения. Из-за этого Доктор Дженнифер Стивенс и Аманда Тейтс, Доктор будут считаться несколько похожими (поскольку одно слово является полным совпадением). WHIRL решает эту проблему, присваивая относительно меньшие веса часто используемым словам и соответствующим образом вычисляя сходство.
WHIRL не учитывали орфографические ошибки в своем алгоритме сравнения подобия. Он был расширен за счет включения метода сравнения N-грамм, так что n-граммы сравнивались вместо целых слов (или токенов).
Алгоритмы на основе символов и токенов были разработаны для сравнения строк, отражающих сходство в их составе символов. С другой стороны, у нас есть другие случаи, когда нам нужно сравнить строки, которые могут совсем не выглядеть одинаково, но иметь очень похожий звук при произношении. Здесь на помощь приходят метрики фонетического сходства. Давайте рассмотрим наиболее распространенные методы вычисления показателей фонетического сходства.
Soundex обычно используется для идентификации фамилий, которые могут различаться по написанию, но фонетически похожи. Это помогает выявлять опечатки или орфографические ошибки, возникшие при вводе данных. Но алгоритм в основном хорошо работает с английскими фамилиями и не подходит для имен другого происхождения.
Алгоритмы Soundex вычисляют код для каждой строки и сравнивают, насколько похожи коды для двух отдельных строк. Код Soundex рассчитывается как:
Например, эти две строки ‘Fairdale’ и ‘Faredayle’ выводят код Soundex F634 , поскольку фонетически они одинаковы. Soundex оказался точным на 95,99% при обнаружении похожих по звучанию фамилий.
Как следует из названия, этот алгоритм был разработан для Системы идентификации и разведки штата Нью-Йорк в 1970 году, которая в настоящее время является частью Отдела служб уголовного правосудия штата Нью-Йорк. Его точность – 9.8,72 % (увеличение на 2,7 % по сравнению с Soundex), поскольку он сохраняет сведения о положении гласных в коде (сопоставляет их с буквой A). Более того, согласные сопоставляются с другими алфавитами, а не с цифрами, что создает полный альфа-код — без участия цифр.
Компания Lawrence Philips разработала улучшенную версию Soundex под названием Metaphone в 1990 году. Она работала на удивление хорошо, поскольку учитывала детали вариаций и несоответствий в английском произношении и правописании. В своих алгоритмах он использовал 16 согласных звуков, которые используются при произношении большой библиотеки английских и неанглийских слов.
Позже Philips опубликовал более новую версию под названием Double Metaphone, в которую он также включил детали ряда языков, помимо английского. Наконец, в 2009 году он разработал Metaphone 3, который оказался точным на 99% для английских слов, других слов, знакомых американцам, а также имен и фамилий, обычно используемых в США.
Существует множество методов расчета различий на основе строк, но для числовых наборов данных эти методы ограничены. Простые числовые различия обычно оцениваются путем вычисления расстояния значений друг от друга, но для сложных вычислений также можно учитывать распределение числовых данных. Такие алгоритмы, как косинусное сходство, также можно использовать для поиска числовых различий.
Как мы только что видели, процесс поиска сходства между двумя полями данных довольно сложен. Мы рассмотрели несколько методов сопоставления данных, но заметили, как каждый из них решает конкретную проблему дедупликации данных, и нет ни одного метода, который обещает хорошо работать для всех типов и форматов данных.
Выбор метода сопоставления во многом зависит от следующих факторов:
Понимание внутренностей методов сопоставления данных и выбор подходящего для вашего набора данных — сложная задача. Во многих ситуациях одного метода недостаточно, и для точной дедупликации данных используется комбинация методов. По этой причине потребность в цифровых инструментах возрастает. Инструменты, которые не только оптимизируют время и усилия, но и разумно выбирают методы сопоставления данных в зависимости от характера вашей структуры данных и значений.
DataMatch Enterprise — это один из таких инструментов, который управляет всем процессом обеспечения качества данных от начала до конца. Он предлагает ряд модулей, которые поддерживают данные, поступающие из разных источников, включают сопоставление полей и предлагают комбинацию определений соответствия, специфичных для ваших данных. Вы можете использовать предложенные поля и алгоритмы сопоставления или переопределить их, выбрав свои собственные. Этот инструмент также можно использовать для оценки точности соответствия различных методов сопоставления в вашем наборе данных и определения того, какой алгоритм работает лучше всего.
Чтобы узнать больше, подпишитесь на бесплатную пробную версию сегодня или настройте демонстрацию с одним из наших экспертов и начните дедупликацию своих данных!
. 2021 1 октября; 17 (7): e665-e671.
doi: 10.1097/PTS.0000000000000434.
Аджапорн Кхунлерткит 1 , Леонард Дориссен, Аллен Чен, Лори Пейн, Питер Дж. Проновост
Принадлежности
Adjhaporn Khunlertkit et al. J Пациент Саф. .
. 2021 1 октября; 17 (7): e665-e671.
doi: 10.1097/PTS.0000000000000434.
Аджапорн Кхунлерткит 1 , Леонард Дориссен, Аллен Чен, Лори Пейн, Питер Дж. Проновост
Цели: Создание дубликатов медицинских карт является распространенной и серьезной ошибкой систем здравоохранения, часто вызванной плохим удобством использования поисковой системы и ненадлежащим обучением пользователей.
Методы: Мы провели два этапа юзабилити-тестирования на основе сценариев с регистраторами пациентов, работающими в областях, где существует риск создания дубликатов медицинских записей. На этапе 1 оценивалась существующая поисковая система, что привело к изменению ее дизайна. На этапе 2 была протестирована переработанная система для устранения возможных ошибок перед ее внедрением в масштабах всей системы здравоохранения. Чтобы оценить эффективность системы, мы сравнили ежемесячные показатели потенциальных дубликатов медицинских карт в месяцы до и после внедрения.
Полученные результаты: Существующая система не могла эффективно обрабатывать орфографические ошибки, что приводило к неудачному поиску и созданию дубликатов медицинских записей. Используя существующую систему, 96 % регистраторов находили обычно произносимые имена пациентов, тогда как только 69 % успешно находили сложные имена. Регистраторам не хватало знаний и использования функции фонетического сопоставления, чтобы помочь в орфографических ошибках. Новая система постоянно выявляла правильного пациента независимо от орфографических ошибок, но поиск выдавал больше потенциальных совпадений, что приводило к тому, что выбор общих имен занимал в среднем на 4 секунды больше. Потенциальный ежемесячный показатель дублирования медицинских карт снизился на 38%, с 4% до 2,3% после внедрения новой системы, и сохраняется в среднем на уровне 2,5% в течение 2 лет.
Выводы: Юзабилити-тестирование было эффективным методом выявления проблем и помощи в перепроектировании системы, чтобы сделать ее более удобной для пользователя, тем самым снижая вероятность дублирования медицинских карт. Более высокие стандарты удобства использования гарантируют, что эти улучшения могут быть реализованы до, а не после того, как пациенты подвергнутся риску.
Copyright © 2017 Wolters Kluwer Health, Inc. Все права защищены.
Авторы не сообщают о конфликте интересов.
Влияние изменения дизайна электронных медицинских карт на ежегодные показатели скрининга в амбулаторных условиях.
Пирс Р.П., Эскридж Б.Р., Рехард Л., Росс Б., Дэй М.А., Белден Дж.Л. Пирс Р.П. и др. Appl Clin Inform. 2020 авг; 11 (4): 580-588. doi: 10.1055/s-0040-1715828. Epub 2020 9 сент.. Appl Clin Inform. 2020. PMID: 32906152 Бесплатная статья ЧВК.
Оптимизация пользовательского интерфейса модуля ввода данных для электронной карты пациента для кардиореабилитации: смешанный метод удобства использования.
van Engen-Verheul MM, Peute LW, de Keizer NF, Peek N, Jaspers MW. van Engen-Verheul MM, et al. Int J Med Inform. 2016 март;87:15-26. doi: 10.1016/j.ijmedinf.2015.12.007. Epub 2015 15 декабря. Int J Med Inform. 2016. PMID: 26806708
Юзабилити-тестирование Филиппинского электронного национального регистра скрининга слуха новорожденных (ENNHSR).
Ricalde RR, Fabia JG, Rozul CDA, Quintos MRTR, Sarmiento RFR. Рикальде Р.Р. и соавт. Int J Med Inform. 2022 июль; 163:104787. doi: 10.1016/j.ijmedinf.2022.104787. Epub 2022 30 апр. Int J Med Inform. 2022. PMID: 35552190
Повышение зрелости использования поставщиков электронных медицинских карт: прогресс и следующие шаги.
Hettinger AZ, Melnick ER, Ratwani RM. Хеттингер А.З. и др. J Am Med Inform Assoc. 2021 23 апреля; 28 (5): 1029-1031. doi: 10.1093/jamia/ocaa329. J Am Med Inform Assoc. 2021. PMID: 33517394 Бесплатная статья ЧВК.
Удобство использования и безопасность в дизайне интерфейса электронных медицинских карт: обзор новейшей литературы и разработка рекомендаций.
Захаби М., Кабер Д.Б., Свангнетр М. Захаби М. и др. Гум Факторы. 2015 авг; 57 (5): 805-34. дои: 10.1177/0018720815576827. Epub 2015 23 марта. Гум Факторы. 2015. PMID: 25850118 Обзор.
Посмотреть все похожие статьи
Человеческий фактор и удобство использования информационных технологий здравоохранения: старые и новые вызовы.
Карайон П., Хунаккер П. Карайон П. и др. Годб Мед Информ. 2019 авг; 28(1):71-77. doi: 10.1055/s-0039-1677907. Epub 2019 16 августа. Годб Мед Информ. 2019. PMID: 31419818 Бесплатная статья ЧВК.